CN112906290A - 一种适用于mimo系统中的可逆分布式压缩感知方法 - Google Patents
一种适用于mimo系统中的可逆分布式压缩感知方法 Download PDFInfo
- Publication number
- CN112906290A CN112906290A CN202110067410.8A CN202110067410A CN112906290A CN 112906290 A CN112906290 A CN 112906290A CN 202110067410 A CN202110067410 A CN 202110067410A CN 112906290 A CN112906290 A CN 112906290A
- Authority
- CN
- China
- Prior art keywords
- matrix
- reversible
- dictionary
- mimo system
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000002441 reversible effect Effects 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
Abstract
本发明公开了一种适用于MIMO系统中的可逆分布式压缩感知方法,步骤依次为:采集数据集S;使用数据集S,通过投影学习算法训练出近似可逆观测矩阵集Φ;使用近似可逆观测矩阵集Φ对多输入用户信号集X进行观测降维,获得低维采样矩阵Y;对低维采样矩阵Y进行重构,获得重构信号矩阵H。本发明提高了大规模MIMO系统的实时性,并降低了重构过程的资源消耗。
Description
技术领域
本发明属于分布式压缩感知领域,特别涉及了一种可逆分布式压缩感知方法。
背景技术
随着科学技术的发展,信息量正在爆炸式地增长,压缩感知的单测量模型已经远远不能满足实际需求。大规模MIMO技术凭借其可以在发送天线与用户端构建多个并行的信号传输通道,充分利用空间资源,有效地提高了通信系统的频谱利用率和信息传输速率与容量,已经成为了5G的关键技术之一。MIMO系统具有时间相关性,在路径时延保持不变,信道的状态信息具有相同的稀疏位置,即使它们拥有相同的稀疏基支撑集。相比于独立天线系统,MIMO系统天线间信号具有更大的相关性和稀疏性。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种适用于MIMO系统中的可逆分布式压缩感知方法。
为了实现上述技术目的,本发明的技术方案为:
一种适用于MIMO系统中的可逆分布式压缩感知方法,包括以下步骤:
(1)采集数据集其中Si为数据集S中的第i个元素,i=1,2,…,N,N为数据集长度;所述数据集S为块稀疏的,将数据集S分割为m块,其中S[k]是第k块数据集,k=1,2,…,m,m为MIMO系统中的用户数量,c为单用户的天线数;
(2)使用数据集S,通过投影学习算法训练出近似可逆观测矩阵集Φ;
(3)使用近似可逆观测矩阵集Φ对多输入用户信号集X进行观测降维,获得低维采样矩阵Y;
(4)对低维采样矩阵Y进行重构,获得重构信号矩阵H。
进一步地,步骤(2)的具体过程如下:
(2a)输入分块数据集S[k],k=1,2,…,m,将字典D=[d1,d2,...,dn]初始化为单位矩阵,dj为字典D中的第j个元素,j=1,2,…,n,n为字典D的长度;
(2b)对字典D进行奇异值更新:D=DΘ,其中:
(2c)计算低维字典P:
D=UΛVT
P=Uh TD
其中,V为右奇异矩阵,Λ为奇异矩阵,U为左奇异矩阵,U=[Uh Ul],Uh为U的主成分向量,Ul为U的主成分之外的部分,h为Uh的维度,l为Ul的维度n=l+h,上标T表示转置;
(2f)对重构误差Ej进行奇异值分解,仅保留最大奇异值λ及所对应的左、右奇异值矩阵u、v;
(2g)更新字典:dj=u;更新稀疏系数:aj=λv;
(2h)令j=j+1,判断字典是否更新完成,若是,则执行步骤(2i),否则重复步骤(2e)~(2g);
(2i)判断重构误差是否收敛或达到最大迭代次数,若是,则执行步骤(2j),否则重复步骤(2b)~(2h);
(2j)计算观测矩阵Φk=Uh T,所有Φk构成Φ。
进一步地,在步骤(3)中,
其中,
上标T表示转置。
进一步地,在步骤(4)中,
采用上述技术方案带来的有益效果:
本发明中的重构算法不再依赖于传统的凸优化算法,并且能够重构出高质量的信号,利用简单的重构算法有利于提高大规模MIMO系统的实时性,并降低了重构过程的资源消耗。
附图说明
图1是本发明的原理框图;
图2是实施例中X[1](X1~X4)多频带频谱图;
图3是实施例中X[2](X5~X8)多频带频谱图;
图4是实施例中X[3](X9~X12)多频带频谱图;
图5是实施例中X[1](X1~X4)多频带频谱重构图;
图6是实施例中X[2](X5~X8)多频带频谱重构图;
图7是实施例中X[3](X9~X12)多频带频谱重构图;
图8是本发明中观测矩阵的训练流程图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
图1为本发明建立的分布式压缩感知方法原理框图,在仿真实验中,m为3,c为4,信号频谱稀疏度为10,设置的信道长度n为256,观测矩阵的维度h=25,步骤如下:
步骤2:使用数据集S,通过投影学习算法训练出近似可逆观测矩阵集Φ。
步骤3:使用近似可逆观测矩阵集Φ对多输入用户信号集X进行观测降维,获得低维采样矩阵Y。采样率约为0.1,信号X频谱如图2、3、4所示,同一数据块拥有相同的稀疏支撑集,但由于信号传输过程的信号衰减不同,则相同的稀疏支撑集的幅值不同。具体地,
其中,
步骤4:对低维采样矩阵Y进行重构,获得重构信号矩阵H。如图5、6、7所示,重构信号与原始信号频谱重合,信号重构质量高,重构过程如下:
图8为步骤2中观测矩阵集Φ的训练过程,观测矩阵学习是离线在上位机MatLab仿真软件上学习,具体步骤如下:
2a、输入分块数据集S[k],将字典D=[d1,d2,...,dn]初始化为单位矩阵,dj为字典D中的第j个元素;
2b、对字典D进行奇异值更新:D=DΘ,其中:
2c、计算低维字典P:
D=UΛVT
P=Uh TD
其中,V为右奇异矩阵,Λ为奇异矩阵,U为左奇异矩阵,U=[Uh Ul],Uh为U的主成分向量,Ul为U的主成分之外的部分,h为Uh的维度,l为Ul的维度n=l+h,上标T表示转置;
2f、对重构误差Ej进行奇异值分解,仅保留最大奇异值λ及所对应的左、右奇异值矩阵u、v;
2g、更新字典:dj=u;更新稀疏系数:aj=λv;
2h、令j=j+1,判断字典是否更新完成,若是,则执行步骤2i,否则重复步骤2e~2g;
2i、判断重构误差是否收敛或达到最大迭代次数,若是,则执行步骤2j,否则重复步骤2b~2h;
2j、计算观测矩阵Φk=Uh T。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (4)
2.根据权利要求1所述适用于MIMO系统中的可逆分布式压缩感知方法,其特征在于,步骤(2)的具体过程如下:
(2a)输入分块数据集S[k],k=1,2,…,m,将字典D=[d1,d2,...,dn]初始化为单位矩阵,dj为字典D中的第j个元素,j=1,2,…,n,n为字典D的长度;
(2b)对字典D进行奇异值更新:D=DΘ,其中:
(2c)计算低维字典P:
D=UΛVT
P=Uh TD
其中,V为右奇异矩阵,Λ为奇异矩阵,U为左奇异矩阵,U=[Uh Ul],Uh为U的主成分向量,Ul为U的主成分之外的部分,h为Uh的维度,l为Ul的维度n=l+h,上标T表示转置;
(2f)对重构误差Ej进行奇异值分解,仅保留最大奇异值λ及所对应的左、右奇异值矩阵u、v;
(2g)更新字典:dj=u;更新稀疏系数:aj=λv;
(2h)令j=j+1,判断字典是否更新完成,若是,则执行步骤(2i),否则重复步骤(2e)~(2g);
(2i)判断重构误差是否收敛或达到最大迭代次数,若是,则执行步骤(2j),否则重复步骤(2b)~(2h);
(2j)计算观测矩阵Φk=Uh T,所有Φk构成Φ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067410.8A CN112906290A (zh) | 2021-01-19 | 2021-01-19 | 一种适用于mimo系统中的可逆分布式压缩感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067410.8A CN112906290A (zh) | 2021-01-19 | 2021-01-19 | 一种适用于mimo系统中的可逆分布式压缩感知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906290A true CN112906290A (zh) | 2021-06-04 |
Family
ID=76115376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110067410.8A Pending CN112906290A (zh) | 2021-01-19 | 2021-01-19 | 一种适用于mimo系统中的可逆分布式压缩感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906290A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104539293A (zh) * | 2014-12-31 | 2015-04-22 | 昆明理工大学 | 一种基于压缩感知的电力行波信号重构方法 |
CN105743510A (zh) * | 2016-02-03 | 2016-07-06 | 南京邮电大学 | 一种基于稀疏字典无线传感器网络WSNs信号处理的方法 |
US20190229842A1 (en) * | 2016-10-10 | 2019-07-25 | Shenzhen Super Data Link Technology Ltd. | Signal sampling and recovery method and apparatus applicable to ovxdm system, and ovxdm system |
-
2021
- 2021-01-19 CN CN202110067410.8A patent/CN112906290A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104539293A (zh) * | 2014-12-31 | 2015-04-22 | 昆明理工大学 | 一种基于压缩感知的电力行波信号重构方法 |
CN105743510A (zh) * | 2016-02-03 | 2016-07-06 | 南京邮电大学 | 一种基于稀疏字典无线传感器网络WSNs信号处理的方法 |
US20190229842A1 (en) * | 2016-10-10 | 2019-07-25 | Shenzhen Super Data Link Technology Ltd. | Signal sampling and recovery method and apparatus applicable to ovxdm system, and ovxdm system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112737985B (zh) | 基于深度学习的大规模mimo信道联合估计和反馈方法 | |
CN111464220B (zh) | 一种基于深度学习的信道状态信息重建方法 | |
CN109672464B (zh) | 基于fcfnn的大规模mimo信道状态信息反馈方法 | |
CN111555781B (zh) | 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法 | |
CN108847876A (zh) | 一种大规模mimo时变信道状态信息压缩反馈及重建方法 | |
US20220179031A1 (en) | Method for estimating the direction-of-arrival of a coprime array based on virtual domain statistics reconstruction of single-bit quantized signal | |
CN111698182A (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
CN110212959B (zh) | 一种毫米波mimo-ofdm通信系统的混合预编码能效优化方法 | |
CN110289898B (zh) | 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 | |
CN111181671B (zh) | 一种基于深度学习的下行信道快速重建方法 | |
CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
CN112600596B (zh) | 基于张量并行压缩的毫米波系统信道反馈方法 | |
CN114338301B (zh) | 一种基于压缩感知的ris辅助毫米波系统的信道估计方法 | |
Yin et al. | Deep CSI compression for massive MIMO: A self-information model-driven neural network | |
CN115865145A (zh) | 一种基于Transformer的大规模MIMO信道状态信息反馈方法 | |
CN116192209A (zh) | 一种mimo信道下空中计算联邦学习的梯度上传方法 | |
CN113595941A (zh) | 深度学习的压缩感知大规模mimo信道估计方法及系统 | |
CN114567359A (zh) | 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 | |
CN114157331A (zh) | 基于伪复值输入的大规模mimo信道状态信息反馈方法 | |
CN113660020A (zh) | 一种无线通信信道信息传输方法、系统和解码器 | |
Wu et al. | Compressed CSI feedback with learned measurement matrix for mmWave massive MIMO | |
CN112906290A (zh) | 一种适用于mimo系统中的可逆分布式压缩感知方法 | |
CN109787672B (zh) | 基于参数学习的大规模mimo格点偏移信道估计方法 | |
CN114978818B (zh) | 一种基于压缩感知的自适应信道估计方法及估计系统 | |
CN107346985B (zh) | 一种结合发射天线选择技术的干扰对齐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |